Нейромережна система аналізу і прогнозування процесів на ринку нерухомості

Розроблено інформаційно-аналітичну систему для аналізу і прогнозування стану ринку нерухомості. Виконано експериментальну перевірку ефективності функціонування інформаційно-аналітичної системи. Проведено верифікацію роботи розробленої системи з урахуванням зовнішніх факторів. Разра...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2008
Автор:	Тазетдінов, В.А.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Теми:	Моделирование объектов и процессов
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/6710
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості / В.А. Тазетдінов // Штучний інтелект. — 2008. — № 2. — С. 50-57. — Бібліогр.: 9 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860135548217196544
author	Тазетдінов, В.А.
author_facet	Тазетдінов, В.А.
citation_txt	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості / В.А. Тазетдінов // Штучний інтелект. — 2008. — № 2. — С. 50-57. — Бібліогр.: 9 назв. — укр.
collection	DSpace DC
description	Розроблено інформаційно-аналітичну систему для аналізу і прогнозування стану ринку нерухомості. Виконано експериментальну перевірку ефективності функціонування інформаційно-аналітичної системи. Проведено верифікацію роботи розробленої системи з урахуванням зовнішніх факторів. Разработана информационно-аналитическая система для анализа и прогнозирования состояния рынка недвижимости. Выполнена экспериментальная проверка эффективности функционирования информационно-аналитической системы. Проведена верификация работы разработанной системы с учетом внешних факторов. The informational analytical system for analysis and prediction of real estate market’s state has been developed. The experimental validation of effective operation of informational analytical system has been carried out. The verification of working of the developed system taking into account outside factors has been accomplished.
first_indexed	2025-12-07T17:47:13Z
format	Article
fulltext	«Искусственный интеллект» 2’2008 50 2Т УДК 519.863.001.63 В.А. Тазетдінов Черкаський державний технологічний університет, м. Черкаси, Україна valeriy_tazetdinov@rambler.ru Нейромережна система аналізу і прогнозування процесів на ринку нерухомості Розроблено інформаційно-аналітичну систему для аналізу і прогнозування стану ринку нерухомості. Виконано експериментальну перевірку ефективності функціонування інформаційно-аналітичної системи. Проведено верифікацію роботи розробленої системи з урахуванням зовнішніх факторів. Вступ Недостатнє будівництво нових об’єктів нерухомості, ріст промислового виробництва, відносно стабільна економічна ситуація, збільшення грошової маси і, як наслідок, зростання попиту на житло визначають зростання цін на нерухомість та спричиняють її дефіцит. В таких умовах органи державного управління, будівельні організації, які бажають продати чи купити житло, зацікавлені в одержанні інфор- маційно аналітичних послуг. Аналіз процесів на ринку нерухомості (РН) свідчить про недостатню присутність методів математичного моделювання і аналітичних технологій в роботі ріелторів. До того ж сучасний стан надання аналітичних послуг не такий, як мав би бути, оскільки базується виключно на статистичному матеріалі без прив’язки до реальної ситуації та її особливостей. Постановка задачі дослідження Метою дослідження є розробка інформаційно-аналітичної системи (ІАС) оцінки об’єктів нерухомості (ОН), яка виконує ідентифікацію функції залежності ціни від внутрішніх факторів та її адаптацію до зовнішніх умов. Необхідно розробити структуру, принципи функціонування інформаційно- аналітичної системи аналізу і прогнозування ринку нерухомості. Розроблювана сис- тема повинна проводити оцінку житла Z в залежності від його параметрів, в т.ч. і на макрорівні (з врахуванням особливостей міста, економічної ситуації в країні тощо), а також виконувати прогнозування тенденцій зміни цін на об’єкти нерухомості. Формалізацію цих задач виконано в [1-3] і буде використано при розробці ІАС. ІАС потрібно наповнити таким змістом, який би сприяв грамотній постановці задачі, вибору оптимальної стратегії її розв’язку, відображав би стиль прийняття рішень у даній предметній області, а також саму модель цієї області. Таким чином, ця інтелектуальна система повинна мати властивості адаптації та самоорганізації. Її орієнтованість на конкретного споживача чи коло споживачів, які мають власні уявлення з інтерпретації, оцінки, обробки та аналізу інформації, дозволить значно підвищити якість рішень, а сама інформаційно-аналітична система стане інтелек- туальним партнером людини при розв’язуванні задачі [4], [5]. В ній будуть інтег- ровані знання математика, програміста та системного аналітика з проблем ринку нерухомості. Нейромережна система аналізу і прогнозування процесів на ринку нерухомості «Штучний інтелект» 2’2008 51 2Т Розроблена ІАС повинна надавати аналітичні послуги суб’єктам РН і класи- фікувати ОН за заданими еталонами; визначати тенденції руху цін на однотипні ОН; визначати пріоритетні фактори і міру їх впливу на ціну ОН; знаходити еталон в класі, якому належить ОН; розраховувати діапазон, в якому може бути продано ОН (песимістична ціна – оптимістична ціна); визначати тенденції зміни однотипних ОН за різними факторами та розв’язувати супутні задачі. Запропонована для використання в ІАС нейромережна технологія є ефектив- ною при використанні у клієнт-серверній архітектурі, при знаходженні бази даних на сервері, а програмно-аналітичного забезпечення на робочій станції. Її використання значно зменшує час оцінки об’єкта та інформаційного супроводу його продажу. Структура та особливості реалізації інформаційно- аналітичної системи REMA Широке впровадження і визначення переваг технологій data mining [6], [7], knowledge discovery in databases (KDD) [8], OLAP дає всі підстави для застосування штучних нейронних мереж. Особливості задач аналізу РН вимагають застосування елементів всіх перерахованих технологій. Так, необхідність знаходження нових знань серед великої кількості даних визначає потребу у методах data mining, значні розміри інформаційних баз вказують на переваги KDD, багатовимірність простору даних свідчить про ефективність застосування аналітичних методів OLAP. Попе- редній аналіз показав, що найбільш придатними для базових задач аналізу РН є прямозв’язна мережа зустрічного поширення (МЗП) і мережа із алгоритмом обер- неного поширення помилки (АОПП) за умови застосування в них стохастичного (больцманівського) методу навчання із використанням як активаційних функцій щільностей розподілів Коші, Лапласа і Гауса. Так, відомо, що на вхід МЗП подають- ся значення векторів X і Z , для нашої задачі ),,( maxmin ZZZZ реал= . Після процесу навчання на вхід мережі достатньо подавати на вибір або лише елементи вектора X , або лише вектора Z , або лише значення одного фактора із масивів X і Z . Це дає можливість ідентифікації залежності ціни від одного фактора при незмінних інших, а визначення елементів вектора Z вимагає ще і встановлення рівня оптимістичної, песимістичної та реальної ціни на ОН. Зауважимо, що МЗП реалізує швидкий алгоритм навчання, але точність результатів є достатньою лише для попереднього аналізу. Значно точнішими є результати функціонування нейронної мережі з АОПП. На вхід мережі подається лише вектор X із n компонент, вихід має три складові. В режимі використання мережі на вхід досить подавати значення одного фактора, який нас цікавить, а замість інших − значення їх середніх величин. Технологія аналізу та прогнозування РН реалізована в ІАС REMA (Real Estate Management Analysis). Запропонована технологія аналізу РН дозволяє здійснювати аналіз тенденцій, які складаються на ринку, прогнозувати динаміку зміни ціни ОН. Відштовхуючись від середньостатистичних оцінок ОН, розроблено метод їх адаптації до особливостей міста, регіону, столиці та коригування з врахуванням макроеконо- мічної ситуації, що склалася в країні. Встановлено, що оптимальним для цієї процедури є використання лінгвістичних змінних. Розроблено технологію їх формалізації та здійснено порівняльний аналіз методів ідентифікації, який засвідчив оптимальність використання штучних нейронних мереж із стохастичним алгорит- мом навчання. Тазетдінов В.А. «Искусственный интеллект» 2’2008 52 2Т Використання вищенаведених компонент в ІАС REMA дозволяє здійснювати підтримку прийняття рішень за рахунок розв’язання задач аналізу, синтезу та вибору оптимальних розв’язків при відомих альтернативах. Для цього в REMA згідно з принципом свободи вибору існує можливість вибору моделі із певного класу, здій- снення її структурної та параметричної оптимізації та виконання безпосередньо моделювання. ІАС REMA є засобом створення, ведення, коригування інформаційного банку (ІБ), який містить інформацію про ОН, особливості законодавчої бази, основні статистичні константи та інші дані, а також призначена для аналізу РН та про- гнозування тенденцій. На базі розробленої технології дослідження РН ІАС REMA дозволяє реалізу- вати таку стратегію його аналізу та прогнозування: 1. Відповідно до цілей дослідження здійснювати синтез моделі, вибір інформаційного базису, констант та методів дослідження. 2. При оцінці одержаних результатів згідно з критеріальними функціями здійснювати аналіз ефективності алгоритмів, які використовувались, і при необхідності здійснювати корекцію моделі, настройку коефіцієнтів та вибирати альтернативні моделі та методи аналізу. 3. При функціонуванні ІАС здійснювати інтерактивну взаємодію із користувачем, необхідність якої може бути викликана особливістю моделювання нейронної мережі (НМ), можливістю її паралічу та іншими причинами. 4. Згідно з принципом інформаційної єдності здійснювати наскрізне супрово- дження процесу обробки даних з протоколюванням та видачею головних проміжних результатів у файл. 5. Здійснювати ідентифікацію законів зміни значень факторів, аналіз та про- гнозування. 6. Зменшувати апріорну ентропію вихідних даних за рахунок попередньої обробки даних, в т.ч. і нейромережними методами. 7. Здійснювати верифікацію одержаних результатів з використанням альтер- нативних методів дослідження. 8. Забезпечувати можливість функціонування відкритої архітектури ІАС REMA, що пов’язано із постійним розширенням спектра задач на РН. Функціональне навантаження, яке виконує ІАС REMA, розподілене на декілька фрагментів, які визначаються суб’єктом, що працює з системою (рис. 1). Інформа- ційну основу складає ІБ, який є трикомпонентним і включає в себе банк пропозицій ( 1ІБ ), банк попиту ( 2ІБ ) та банк, який містить довідкову інформацію ( 3ІБ ). Всі ком- поненти знаходяться на сервері та є інформаційно незалежними один від іншого. Введення даних та їх коригування в 1ІБ та 2ІБ здійснюється оператором. В разі необ- хідності оператор може отримати потрібну інформацію із таблиць інформаційного банку за SQL-запитами. Формування 3ІБ , який містить закони, що визначають функ- ціонування РН, статистичні таблиці, інші константи, виконує спеціаліст-аналітик. Дані інформаційного банку використовують фахівці на робочих станціях. ІАС інтегрує в собі тактику дослідження, яка визначається виконанням перетворення даних у знання, шляхом здійснення аналітичних розрахунків з використанням нейро- мережної парадигми та допоміжних процедур і відображенням їх у простір консультативних послуг. Нейромережна система аналізу і прогнозування процесів на ринку нерухомості «Штучний інтелект» 2’2008 53 2Т Враховуючи те, що в 1ІБ знаходяться дані про ОН, включно із реалізованими, за допомогою НМ із стохастичним алгоритмом навчання, виконаємо ідентифікацію залежностей )(1 XFZб = і )(2 XFZ р = , (1) де 1F − вартість нереалізованих, 2F − реалізованих ОН, бZ та рZ − бажана та реальна ціна. Знання функцій 1F та 2F дозволяє визначити бажану для продавців ціну ОН та реальну ціну, тобто ту, за яку він може бути проданий у найкоротший термін. Залежності (1) також дозволяють визначити чутливість ціни ОН до зміни значень факторів. Практичне значення цього знання полягає у можливості зближення реаль- ної та бажаної ціни, а також визначення найбільш значущих факторів, що дозволить її обґрунтовано варіювати. На сервері На робочих станціях Оператор Консультативна частина Аналітична частина ІБ2 ІБ3 ІН Ф О РМ А Ц ІЙ Н И Й Б А Н К ІБ1 Ведення ІБ1, ІБ2 Коригування ІБ1, ІБ2 Вибірки за SQL-запи- тами Допоміжні процедури Кореляційно-регресій- ний аналіз Згладжування почат- кових даних Нормування і стан- дартизація даних Збільшення інформа- тивності даних Інформація про бажану та реальну ціну ОН Ідентифікація ціни ОН за проданими та непроданими ОН із ІБ1 Інформація про роль парамет- рів ОН у формуванні його ціни Розрахунок коефіцієнтів чутливості Інформація про динаміку ціни ОН, її залежність від значень параметрів Ідентифікація тенденцій на РН Формування класів ОН (загальних та при фіксованих значеннях бажаних) Кластеризація ОН: загальна та при фіксованих значеннях ОН Інформація про ОН, які належать до потрібного класу Класифікація ОН за еталонами Визначення реальної рівно- важної ціни Ідентифікація функцій попиту та пропозиції Рисунок 1 – Структурна схема інформаційно-аналітичної системи REMA Узагальнення результатів експерименту із урахуванням впливу зовнішніх факторів Для ідентифікації та дослідження залежності ціни ОН від внутрішніх та зовнішніх факторів необхідно також знати суб’єктивні оцінки місцевих, регіональ- них та макроекономічних факторів. Інформаційною базою розв’язання такої задачі визначимо пропозиції на РН нерухомості у м. Черкасах. Тазетдінов В.А. «Искусственный интеллект» 2’2008 54 2Т Важливою складовою ідентифікованої залежності є формалізовані значення суб’єктивних факторів. Оскільки такі значення є стохастичними, то одержати їх функціональні залежності від часу неможливо. Саме тому функції належності будемо вважати дискретними, а їх побудову відносити до компетентності експертів. В ІАС REMA передбачено поряд із введенням інформації про ОН (значень внутрішніх параметрів) також задання значень суб’єктивних факторів [9]. При цьому враховано, що певна інформація записується в 1ІБ автоматично, згідно із районом розміщення ОН. Інші значення записуються автоматично протягом певного проміжку часу. Значення функцій належності визначаємо шляхом експертного опитування на базі карти районів міста та формалізованих суб’єктивних факторів (табл. 1). Так, для районів міста одержимо: }, 8,0 ; 1 ; 2,0 {)( 1 гоцентральнодоблизькиййцентральнивіддаленийLp =µ }, 1 ; 8,0 ; 6,0 ; 4,0 ; 2,0 {)( 2 добредужедобредобредоситьнепоганепоганедужеLp =µ }, 1 .; 6,0 ; 4,0 ; 2,0 {)( 3 чистийеколстанйзадовільнийзабрудненийзабрудненидужеLp =µ }. 8,0 ; 6,0 ; 4,0 ; 2,0 {)( 4 добранормальнарозвиненадужененемаєLp =µ Таблиця 1 – Значення функцій належності для факторів, які характеризують район Фактор / Район 10 20 30 40 50 60 70 80 90 Відстань від центру 1 0,8 0,8 0,2 0,8 0,8 0,8 0,2 0,8 Транспорт. забезп. 1 0,6 0,4 0,4 0,9 0,6 0,4 0,4 0,8 Екологія 0,2 0,6 0,4 0,6 0,6 0,6 0,4 0,2 0,4 Інфраструктура 0,8 0,6 0,6 0,6 0,8 0,6 0,6 0,2 0,4 Значення функцій належності для факторів, які характеризують стан РН у місті, визначаються часом і у загальному випадку можуть бути такими: }, 1,0 ; 3,0 ; 6,0 ; 8,0 {)( 1 високийдужевисокийсереднійнизькийLм =µ }, 8,0 ; 5,0 ; 2,0 {)( 2 високерівноважненизькеLм =µ }, 1,0 1:2; 5,0 1:1; 6,0 2:1; 8,0 3:1{)( 3 ≥ =мLµ }. 7,0 ; 8,0 ; 4,0 ; 2,0 {)( 4 активнийстабільнийпомірнийринокпасивнийLм =µ Для сучасної ситуації на РН: 7,0)(;5,0)(;2,0)(;3,0)( 4321 ==== мммм LLLL µµµµ . Регіональні особливості можуть мати такі фактори та значення функцій належності: Нейромережна система аналізу і прогнозування процесів на ринку нерухомості «Штучний інтелект» 2’2008 55 2Т };9,0/ ;7,0/;6,0/ ;4,0/ ;2,0{)( 1 ництва виробінаукомісткьпереважаютрегіонйпромисловикомплекс ловийагропромисрозвинениймаєпродукціїїсподарськосільського овиробництвнаийорієнтовангалузісировинніьпереважаютLв − =µ }, 9,0 ; 6,0 ; 4,0 ; 3,0 ; 2,0 {)( 2 середніхвищесереднісередніхнижченизькінайнижчіLв =µ }, 7,0 ; 5,0 ; 3,0 {)( 3 високасереднянизькаLв =µ }. 9,0 ; 6,0 ; 4,0 ; 2,0 {)( 4 чистийекологічнодобриййзадовільнийзабруднениLв =µ Черкаський регіон характеризуємо такими значеннями: ;4,0)( 1 =вLµ ;6,0)( 2 =вLµ ;5,0)( 3 =вLµ .4,0)( 4 =вLµ Можливим варіантам макроекономічної ситуації в країні відповідають функції належності: }, 1,0 %15; 4,0 %155; 6,0 %52; 9,0 %1{)( 1 >−−< =aLµ }, 2,0 %15; 4,0 %155; 7,0 %52; 9,0 %1{)( 2 >−−< =aLµ }, 1,0 %15; 4,0 %155; 6,0 %52; 9,0 %1{)( 3 >−−< =aLµ }. 2,0 ; 5,0 ; 6,0 ; 9,0 {)( 4 високісередніпомірнінизькіLa =µ Оскільки наповнення інформаційного банку за досить активного РН постійно змінювалось, то інформація про особливості міста, регіону та макроекономічну ситуацію в країні залишалась постійною і не змінювалась. Тому активну участь в аналізі цін на РН брали лише фактори, які визначали районні особливості місце- розташування ОН. Було також враховано, що коефіцієнт порівняння районних цін із столичними становив 1,9. В результаті використання НМ із модифікованим алгоритмом стохастичної релаксації (МАСР) для ідентифікації функції оцінки ОН значення цільової функції (середнього абсолютного відхилення табличних значень від розрахованих) покра- щувалось на 2 – 4,5 % в залежності від експерименту, що свідчить на користь врахування зовнішніх факторів. Експерименти проводились у системі, конфігурація якої була такою: сервер з процесором Pentium IV-2,4, 512 Мб ОЗУ та операційною системою Windows 2000 Server; робоча станція з процесором AMD Athlon-2600, 256 Мб ОЗУ та операційною системою Windows XP. Вихідними даними була інформація про 500 ОН з 1ІБ , який знаходився на сервері. На робочій станції функціонувала ІАС REMA. Час навчання НМ становив 16,2 хв. при заданій точності 0,25 на нормованій навчальній вибірці та співвідношенні навчальної вибірки до контрольної 60:40. При пропорції 70:30 час навчання збільшувався на 14 – 20 % у порівнянні з попереднім варіантом, якщо ж співвідношення було 80:20, то час збільшувався ще на 10 – 16 %. Точність ідентифі- кації, яка перевірялась за середньою абсолютною похибкою, у залежності від Тазетдінов В.А. «Искусственный интеллект» 2’2008 56 2Т варіанта співвідношення кількості ОН у навчальній та контрольній вибірці, зміню- валась на 0,1 – 0,65 %, що свідчило про достатньо велику кількість ОН для навчання та ефективність застосування НМ із МАСР. В умовах повнорозмірного інформаційного банку та великої кількості фак- торів, які необхідно врахувати, переваги алгоритмів із стохастичними принципами навчання є беззаперечними, оскільки сучасний рівень розвитку технічних засобів дозволяє розв’язувати більшість практичних задач за допомогою НМ за прийнятний час, а головним критерієм оцінки якості одержаних розв’язків є їх точність. Швидкість збіжності методу МАСР з використанням різних розподілів є більшою на 6 – 24 % за інші методи стохастичного навчання. Проведені експерименти на реальних даних (ІБ містив 840 записів) з викорис- танням МАСР вказують на наступне. По-перше, мережа навчалась в середньому на 2 – 4 % швидше, ніж при використанні класичного АОПП, і на 22 % швидше, ніж при використанні навчання за алгоритмом машини Больцмана. Висновки Сучасний стан ринку нерухомості та майже повна відсутність методів його аналізу та прогнозування свідчать про необхідність розвитку інформаційно-аналі- тичних систем. Ці системи функціонуватимуть на єдиній інформаційній базі об’єктів нерухомості, дозволяючи державним органам управління прогнозувати тенденції та спрямування розвитку РН, будівельним організаціям планувати структуру виробництва, агентствам нерухомості вивчати перспективи РН, а також продавцям і покупцям РН повністю задовольняти інформаційні потреби. Тенденції на РН значно впливають на його функціонування, оскільки ви- значають як майбутній, так і теперішній попит та пропозицію на ОН, що дозволяє визначитись із часом його купівлі чи продажу. Знаходження залежності ціни ОН від значення певного фактора в часі допомагає встановити чутливість динаміки ціни до зміни значення фактора в часі. Однією із головних функцій розробленої ІАС є прогнозування. Після того як шукані залежності ідентифіковані, можна задавати запити у формі «а якщо А, то що...?». Передбачення таким чином можливих сценаріїв розвитку ринку нерухомості спрощує процеси прийняття рішень та підвищує їх достовірність. Література 1. Тазетдінов В.А. Самоорганізація інформаційної бази ринку нерухомості на основі нейромере- жевих технологій // АСУ и приборы автоматики. – 2004. – Вып. 127. – С. 41-47. 2. Тазетдинов В.А. Технология нейросетевого прогнозирования рынка недвижимости // Искусст- венный интеллект. – 2004. – № 3. – C. 593-597. 3. Тазетдінов В.А. Адаптивна технологія нечіткого аналізу динаміки ринку нерухомості // Радіо- електроніка і інформатика. – 2004. – № 3 (28). – С. 126-129. 4. Снитюк В.Є., Говорухін С.О. Технологія data mining і засоби її реалізації // Вісник ЧДТУ. – 2002. – № 3. – С. 80-84. 5. Астанин С.В. Особенности анализа и моделирования систем гибридного интеллекта // УСИМ. – 2001. – № 1. – С. 16-23. 6. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. – 1997. – № 4. – С. 41-44. Нейромережна система аналізу і прогнозування процесів на ринку нерухомості «Штучний інтелект» 2’2008 57 2Т 7. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Откры- тые системы. – 1998. – № 1. – С. 30-35. 8. Глибовець М.М., Олецький О.В. Штучний інтелект. – К.: КМ «Академія», 2002. – 366 с. 9. Тазетдінов В.А. Інтелектуалізація алгоритму функціонування інформаційно-аналітичного забез- печення ринку нерухомості // Збірник доп. Міжн. наук.-практ. конф. «Единое информационное пространство». – Дніпропетровськ. – 2003. – С. 158-159. В.А. Тазетдинов Нейросетевая система анализа и прогнозирования процессов на рынке недвижимости Разработана информационно-аналитическая система для анализа и прогнозирования состояния рынка недвижимости. Выполнена экспериментальная проверка эффективности функционирования информационно-аналитической системы. Проведена верификация работы разработанной системы с учетом внешних факторов. V.A. Tazetdinov Real Estate Market Prediction and Analysis Neural Nets System The informational analytical system for analysis and prediction of real estate market’s state has been developed. The experimental validation of effective operation of informational analytical system has been carried out. The verification of working of the developed system taking into account outside factors has been accomplished. Стаття надійшла до редакції 03.04.2008.
id	nasplib_isofts_kiev_ua-123456789-6710
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Ukrainian
last_indexed	2025-12-07T17:47:13Z
publishDate	2008
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Тазетдінов, В.А. 2010-03-15T13:39:24Z 2010-03-15T13:39:24Z 2008 Нейромережна система аналізу і прогнозування процесів на ринку нерухомості / В.А. Тазетдінов // Штучний інтелект. — 2008. — № 2. — С. 50-57. — Бібліогр.: 9 назв. — укр. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/6710 519.863.001.63 Розроблено інформаційно-аналітичну систему для аналізу і прогнозування стану ринку нерухомості. Виконано експериментальну перевірку ефективності функціонування інформаційно-аналітичної системи. Проведено верифікацію роботи розробленої системи з урахуванням зовнішніх факторів. Разработана информационно-аналитическая система для анализа и прогнозирования состояния рынка недвижимости. Выполнена экспериментальная проверка эффективности функционирования информационно-аналитической системы. Проведена верификация работы разработанной системы с учетом внешних факторов. The informational analytical system for analysis and prediction of real estate market’s state has been developed. The experimental validation of effective operation of informational analytical system has been carried out. The verification of working of the developed system taking into account outside factors has been accomplished. uk Інститут проблем штучного інтелекту МОН України та НАН України Моделирование объектов и процессов Нейромережна система аналізу і прогнозування процесів на ринку нерухомості Нейросетевая система анализа и прогнозирования процессов на рынке недвижимости Real Estate Market Prediction and Analysis Neural Nets System Article published earlier
spellingShingle	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості Тазетдінов, В.А. Моделирование объектов и процессов
title	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості
title_alt	Нейросетевая система анализа и прогнозирования процессов на рынке недвижимости Real Estate Market Prediction and Analysis Neural Nets System
title_full	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості
title_fullStr	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості
title_full_unstemmed	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості
title_short	Нейромережна система аналізу і прогнозування процесів на ринку нерухомості
title_sort	нейромережна система аналізу і прогнозування процесів на ринку нерухомості
topic	Моделирование объектов и процессов
topic_facet	Моделирование объектов и процессов
url	https://nasplib.isofts.kiev.ua/handle/123456789/6710
work_keys_str_mv	AT tazetdínovva neiromerežnasistemaanalízuíprognozuvannâprocesívnarinkuneruhomostí AT tazetdínovva neirosetevaâsistemaanalizaiprognozirovaniâprocessovnarynkenedvižimosti AT tazetdínovva realestatemarketpredictionandanalysisneuralnetssystem

Нейромережна система аналізу і прогнозування процесів на ринку нерухомості

Репозитарії

Схожі ресурси